基于振动幅域参数指标的滚动轴承故障诊断

利用幅域参数对滚动轴承早期故障进行监测和诊断。分析了滚动轴承典型故障的机理及其振动特征,针对滚动轴承的典型故障特征,提出采用了幅域参数指标的诊断方法。基于Windows平台,利用Matlab软件编制了滚动轴承振动信号幅域参数指标计算程序,并且通过QPZZ-II旋转机械故障试验系统进行了滚动轴承故障的实例模拟并对所编程序进行了验证。结果表明,利用振动信号幅域参数指标对滚动轴承进行早期故障诊断,效果良好。     

基于机器视觉的滚动轴承振动检测方法

滚动轴承应用场景的工况较为严苛且其结构特殊，经常发生故障。常用振动信号检测方法来判断轴承现状，但已有方法无法直接提取轴承元件的振动信号，且存在信号干扰，安装也较为烦琐，不利于后续数据分析。为此提出了一种基于机器视觉的滚动轴承振动信号检测方法。利用高速相机获取了滚动轴承运行时的时间序列图像，通过图像处理获取了滚动轴承内圈特征坐标，建立了基于YOLOv3的滚动轴承深度学习识别模型，并对采集视频进行首帧预框选，提高了检测速度与准确性。最后搭建了滚动轴承振动检测试验台进行验证。测试结果表明，所提方法能够有效地检测滚动轴承内圈的振动信号，识别率达到99.4%以上，可根据信号峭度和轨迹分布有效区分滚动轴承故障。     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．     

基于包络谱分析和高斯受限玻尔兹曼机的滚动轴承故障诊断方法

作为一种基于滤波检波的振动信号处理方法,由于包络谱分析方法对早期故障信号识别能力较强,所以常被用于零部件故障诊断。结合高斯受限玻尔兹曼机的特性,提出一种基于包络谱分析和高斯受限波尔兹曼机的滚动轴承故障诊断方法。首先对信号进行重采样预处理,利用滚动轴承的振动信号的包络谱构造特征向量;对得到的特征向量利用高斯受限波尔兹曼机分类器模型进行故障诊断,并用实验数据对之进行了验证。结果表明本文的方法特征提取过程简单、有效,能有效识别出滚动轴承的故障类型。     

振动信号模型在滚动轴承故障诊断中的应用

为了克服传统故障诊断流程的缺点,提出一种基于EMD(Empirical Mode Decomposition)和振动信号模型的滚动轴承故障诊断方法,首先根据滚动轴承振动机理和振动信号的特征,建立了滚动轴承在正常和各种典型故障时的信号模型,然后采用EMD对原始振动信号做分解,并以峭度为依据进行信号重构,最后计算重构信号与不同信号模型之间的相关系数,根据系数大小可准确判断故障类型。通过对实验平台信号和风力发电机组齿轮箱滚动轴承振动信号的分析,验证了该方法的有效性和实用性。     

基于小波变换和BP神经网络的滚动轴承故障信号诊断

旋转机械中,轴承作为必不可少重要零部件之一,在发生故障时,振动信号比较复杂,相对其它振动信号太弱,传统谱分析技术对滚动轴承的故障的分析不太理想。提出采用小波变换的方法来处理滚动轴承的故障振动信号,通过三层小波分析并提取了轴承故障信号的特征,然后利用提取的特征作为识别模型的输入,利用建立的BP神经网络对轴承故障信号进行诊断检测。实验结果表明该方法实现了对该轴承故障信号的有效分析。     

全矢EEMD在轴承故障诊断中的应用

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。     

基于图结构的轴承故障诊断北大核心

滚动轴承故障振动信号具有非线性、非平稳的特征,在轴承早期破损阶段,即使轴承表面出现了损伤,故障产生的振动信号仍然表现得非常微弱,再加上大量噪声的影响,仅从时域和频域很难发现故障特征,给故障检测造成了较大的难度。针对轴承振动信号的特点,将短时Fourier变换与图模型相结合,提出了一种基于图模型的时频分析方法,利用短时Fourier变换得到信号的时频图,选取每一时刻频谱图中各主频的幅值构建图模型,通过图模型的相似性对比检测轴承故障并通过主频幅值的变化量确定故障频率。     

小波变换能量谱在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的特点,构造余弦调频小波,采用连续小波变换的方法来提取滚动轴承故障振动信号的特征,提出了一种滚动轴承故障诊断方法—小波能量谱比较法。通过对有缺陷的滚动轴承振动信号的分析,检测到轴承故障的存在,且能有效地识别出滚动轴承的故障模式。     

基于变分模态分解法和共振解调技术的滚动轴承早期故障检测研究

针对滚动轴承早期故障信号提取困难的问题,基于变分模态分解法和共振解调技术,对滚动轴承早期故障检测进行研究。采用变分模态分解法对滚动轴承振动信号进行分解,计算各分解分量的峭度值,并选取两个最敏感的固有模态分解分量进行重构,然后利用共振解调技术进行解调分析,采用快速傅里叶变换计算出包络谱图。试验结果表明,应用变分模态分解法与共振解调技术更能准确地判断出滚动轴承的早期故障。     

基于边带相关算法和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于边带相关算法和Hilbert包络谱的滚动轴承故障诊断新方法。通过对滚动轴承产生振动的模型进行分析,可以将振动信号看成为多个调制信号的叠加,而边带相关算法可以在频谱图基础上找出调制性最强的频率区间,然后进行带通滤波得到此频率区间内的时域信号,最后对其进行Hilbert包络并进行谱分析,最终能得到调制信号中调制频率的大小。利用滚动轴承实验取得的振动信号进行分析验证,可以在滚动轴承具有外圈、内圈、滚动体缺陷的情况下的振动信号找出调制频率,有效地提取故障特征。结果表明该方法能够准确地识别和诊断出滚动轴承的故障部位和类型。     

滚动轴承故障包络信号分析及物理模拟

为解决机械系统中滚动轴承故障的准确有效判断与监测等问题,采用振动诊断法对其振动模型和包络解调谱法的可行性进行了理论分析.设计了滚动轴承故障模拟实验,以典型故障为例,利用以希尔波特变换为基础的包络解调谱法对所获取的信号进行处理,结果验证了该方法的有效性和优越性.为滚动轴承的在线检测提供了理论依据.     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

连续小波变换在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的特点，构造脉冲响应小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了两种滚动轴承故障诊断方法：尺度——小波能量谱比较法和时间——小波能量谱自相关分析法。通过对滚动轴承外圈和内圈故障振动信号的分析，说明两种方法不仅能检测到滚动轴承故障的存在，而且能有效识别滚动轴承的故障模式，从而为滚动轴承故障诊断提供了一种新途径。     

改进的TQWT在滚动轴承早期故障诊断的应用

针对滚动轴承早期故障特征信息十分微弱难以提取以及可调品质因子小波变换(tunable Q-factor wavelet transform,简称TQWT)参数设置依赖使用者经验的问题,提出改进的TQWT的滚动轴承早期故障诊断方法。首先,设定Q因子的区间范围,利用TQWT对滚动轴承故障振动信号进行分解得到若干个分量;其次,对各分量进行包络导数能量算子解调,在能量谱中根据特征频率强度系数这一指标自适应地确定TQWT的最佳分解参数,实现对故障信号的最优分解;最后,通过对最佳分量的包络导数能量谱分析即可准确地提取到轴承故障特征信息。通过对仿真信号、实验数据以及工程案例分析表明,该方法能够有效提取滚动轴承早期微弱故障特征并准确判断出滚动轴承故障类型,具有一定的工程应用价值。     

基于形态差值滤波和差分熵的滚动轴承故障诊断

针对滚动轴承内外圈的早期故障,提出了一种新的诊断方法,该方法融合了数学形态学对非线性信号的滤波和信息熵理论在信号表征方面的优越性。首先,利用数学形态差值滤波器对实测的轴承内外圈轻重损伤的故障信号进行消噪处理,充分突出了有用的故障特征信息;然后,利用差分熵提取该信号中的突变特征信息,对其进行不确定性和复杂性度量;最后,根据突变点的冲击时间间隔和内外圈故障周期性冲击的时间间隔一致的思想来完成对滚动轴承的故障诊断。通过对仿真信号和滚动轴承实测内外圈两种故障程度的振动信号的诊断分析,证明该方法能够很好地识别轴承内外圈早期故障的类型,且具有很高的准确率。     

应用小波包和包络分析的滚动轴承故障诊断

提出了一种基于小波包分析、频带能量分析和包络分析相结合的滚动轴承故障诊断方法.首先利用小波包将滚动轴承振动信号分解到不同的节点上.然后求出各频率段的能量,根据频带能量的变化情况,找出滚动轴承的故障所在的频带.最后对故障频带的重构信号做包络谱,将谱峰处的频率同滚动轴承的故障特征频率进行对比分析,诊断出滚动轴承的故障.通过对试验中采集到的滚动轴承振动信号进行分析,证明了该方法在滚动轴承故障诊断中的有效性.     

基于VMD和自适应谱线增强技术的滚动轴承故障诊断

为了在噪声干扰下准确提取滚动轴承振动信号的故障特征,提出了一种将变分模态分解与自适应谱线增强技术相结合的轴承故障特征频率提取方法。首先采用VMD对原始振动信号进行分解和重构,然后通过自适应谱线增强技术对重构信号进行降噪处理,最后对降噪信号进行包络解调分析得到故障特征频率。利用滚动轴承仿真信号和实测信号检验了所提出的方法,并与VMD及小波分析+ALE方法进行对比分析,结果表明,VMD+ALE方法的滤波效果及检测精度更好,能够更加有效的提取轴承故障特征。     

拟合故障振动信号模型实现滚动轴承故障诊断

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD(Empirical Mode Decomposition)方法对原始振动信号分解所得IMF(Intrinsic Mode Function)分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。     

基于HMM-EMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱冲击性故障信号特征难以提取及诊断的问题,提出了一种基于HMM-EMD的滚动轴承故障诊断新方法。该方法首先对滚动轴承故障振动信号进行经验模态分解,将其分解为多个IMF之和,其次对分解后的信号进行能量特征提取,得到相应的故障特征,再对故障特征进行归一化处理得到故障能量特征向量,最后通过建立HMM进行故障诊断。